电力安全对于社会生产与民众日常生活有着极其重要的意义。近年来各类窃电事件频发,给国家和供电企业造成了巨大的经济损失。窃电行为不仅干扰了合法用电单位的用电秩序,更是影响了供电企业合理电力调配,从而对电力质量的保障提出了严峻的挑战。传统窃电检测方法以电检人员检测现场设备与统计基本数据为主,受人员和资金等的限制,导致检测效率较低。因此为保障电力资源的安全稳定,研究窃电行为的检测方法具有重要的理论与实际意义。为了解决窃电检测效率低成本高的问题,论文主要从特征提取、分类检测以及数据集不平衡三方面进行改进,提出基于LightGBM的用户侧窃电检测模型。具体工作如下:1.考虑到窃电数据集冗余且量级大的问题,需对数据集进行预处理工作。针对用电数据特征分析,将一维时间序列改为二维时间序列,以周为时间周期对数据划分进行分析,并完成了数据清洗。研究了数据集特征提取方法,结合用电数据集特征提出使用LightGBM算法进行窃电检测,初步构建了用户侧窃电检测的模型。2.针对电网中传统分类检测导致检测率低下的问题,设计了 CNN与LightGBM结合的窃电检测模型。为解决卷积神经网络CNN参数过多,结构复杂及数据过拟合等问题,修改CNN的卷积核以适用于用户用电特征提取。为解决用电数据集量大且存在缺失数据等问题,使用LightGBM进行用户分类。最后,基于以上两种技术,提出了 CNN-LightGBM窃电检测模型,并通过模拟实验结果证明,验证了该模型和算法的有效性。3.针对数据集不平衡、噪声数据影响过大等问题,设计了基于自平衡数据集的降噪窃电检测模型,一方面使用CWGAN生成窃电数据,与原数据进行混合形成增强数据集,然后用于训练;另一方面改进特征提取方法,提出堆叠卷积降噪自编码器SCDAE,降低数据集的噪声数据对分类结果的影响,保证了分类结果的稳定性,并通过卷积方式对自编码器进行堆叠,提取更有效的特征。最后,通过实验验证了所提出模型的有效性。